論文の概要: Spectral Super-Resolution Neural Operator with Atmospheric Radiative Transfer Prior

• arxiv url: http://arxiv.org/abs/2511.17895v1
• Date: Sat, 22 Nov 2025 02:58:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.501407
• Title: Spectral Super-Resolution Neural Operator with Atmospheric Radiative Transfer Prior
• Title（参考訳）: 大気圧放射移入前の分光超解像ニューラル演算子
• Authors: Ziye Zhang, Bin Pan, Zhenwei Shi,
• Abstract要約: スペクトル超解像(SSR)は、マルチスペクトル観測から超スペクトル像(HSI)を再構成することを目的としている。 データ駆動方式は広く使われているが、しばしば物理的原理を見落とし、非現実的なスペクトルを生み出す。 本研究では,大気放射移動(ART)をデータ駆動方式に組み込んだ分光超解像ニューラル演算子(SSRNO)を提案する。
• 参考スコア（独自算出の注目度）: 28.251877082351744
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spectral super-resolution (SSR) aims to reconstruct hyperspectral images (HSIs) from multispectral observations, with broad applications in remote sensing. Data-driven methods are widely used, but they often overlook physical principles, leading to unrealistic spectra, particularly in atmosphere-affected bands. To address this challenge, we propose the Spectral Super-Resolution Neural Operator (SSRNO), which incorporates atmospheric radiative transfer (ART) prior into the data-driven procedure, yielding more physically consistent predictions. The proposed SSRNO framework consists of three stages: upsampling, reconstruction, and refinement. In the upsampling stage, we leverage prior information to expand the input multispectral image, producing a physically plausible hyperspectral estimate. Subsequently, we utilize a neural operator in the reconstruction stage to learn a continuous mapping across the spectral domain. Finally, the refinement stage imposes a hard constraint on the output HSI to eliminate color distortion. The upsampling and refinement stages are implemented via the proposed guidance matrix projection (GMP) method, and the reconstruction neural operator adopts U-shaped spectral-aware convolution (SAC) layers to capture multi-scale features. Moreover, we theoretically demonstrate the optimality of the GMP method. With the neural operator and ART priors, SSRNO also achieves continuous spectral reconstruction and zero-shot extrapolation. Various experiments validate the effectiveness and generalization ability of the proposed approach.
• Abstract（参考訳）: スペクトル超解像(SSR)は、マルチスペクトル観測から高スペクトル像(HSI)を再構成することを目的としており、リモートセンシングに広く応用されている。 データ駆動方式は広く使われているが、しばしば物理的原理を見落とし、特に大気の影響を受けているバンドにおいて非現実的なスペクトルを生み出す。 この課題に対処するために、大気放射移動(ART)をデータ駆動方式に組み込んだスペクトル超解像ニューラルネットワーク(SSRNO)を提案し、より物理的に一貫した予測を行う。 提案されたSSRNOフレームワークは、アップサンプリング、再構築、改良の3段階で構成されている。 アップサンプリングの段階では、事前情報を利用して入力されたマルチスペクトル画像を拡大し、物理的に妥当なハイパースペクトル推定を生成する。 その後、再建段階のニューラル演算子を用いてスペクトル領域を横断する連続写像を学習する。 最後に、精製工程は、色歪みを除去するために出力HSIに厳しい制約を課す。 アップサンプリングおよび改善段階は,提案した誘導行列投影法(GMP)法により実現され,再構成ニューラル演算子はU字型スペクトル認識畳み込み(SAC)層を用いてマルチスケール特徴を捉える。 さらに,GMP法の最適性を理論的に示す。 ニューラル演算子とARTにより、SSRNOは連続的なスペクトル再構成とゼロショット外挿も達成している。 様々な実験により提案手法の有効性と一般化能力が検証された。

関連論文リスト

• Diffusion Denoised Hyperspectral Gaussian Splatting [11.486860334986394]
  ハイパースペクトルシーンの暗黙的なニューラル表現を作成するために、3次元再構成法が用いられている。 拡散分解型ハイパースペクトル撮影法(DD-HGS)を提案する。
  論文  参考訳（メタデータ） (2025-05-28T02:07:52Z)
• CARL: Camera-Agnostic Representation Learning for Spectral Image Analysis [69.02751635551724]
  スペクトルイメージングは、医療や都市景観の理解など、様々な領域で有望な応用を提供する。 スペクトルカメラのチャネル次元と捕獲波長のばらつきは、AI駆動方式の開発を妨げる。 本稿では,RGB,マルチスペクトル,ハイパースペクトル画像を用いたカメラ非依存表現学習モデルCARLを紹介する。
  論文  参考訳（メタデータ） (2025-04-27T13:06:40Z)
• Spectral-wise Implicit Neural Representation for Hyperspectral Image Reconstruction [13.79887292039637]
  Coded Aperture Snapshot Spectral Imaging (CASSI) は、2次元計測から3次元空間スペクトル信号を復元することを目的としている。 HSIを再構成する既存の方法は、通常、2次元圧縮画像から所定の離散スペクトル帯域のセットへの学習マッピングを含む。 本稿では、この制限に対処するための先駆的なステップとして、スペクトルワイドインシシットニューラル表現(SINR)と呼ばれる革新的な手法を提案する。
  論文  参考訳（メタデータ） (2023-12-02T08:06:07Z)
• ESSAformer: Efficient Transformer for Hyperspectral Image Super-resolution [76.7408734079706]
  単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。 本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
  論文  参考訳（メタデータ） (2023-07-26T07:45:14Z)
• MST++: Multi-stage Spectral-wise Transformer for Efficient Spectral Reconstruction [148.26195175240923]
  効率的なスペクトル再構成のためのマルチステージスペクトル変換器(MST++)を提案する。 NTIRE 2022 Spectral Reconstruction Challengeでは、私たちのアプローチが優勝しました。
  論文  参考訳（メタデータ） (2022-04-17T02:39:32Z)
• Spectral Response Function Guided Deep Optimization-driven Network for Spectral Super-resolution [20.014293172511074]
  本稿では、より深い空間スペクトルを持つ最適化駆動畳み込みニューラルネットワーク(CNN)を提案する。 自然およびリモートセンシング画像を含む2種類のデータセットに対する実験により,提案手法のスペクトル強調効果が示された。
  論文  参考訳（メタデータ） (2020-11-19T07:52:45Z)
• Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral Imagery [79.69449412334188]
  本稿では,最先端の残差学習をベースとした単一グレー/RGB画像の超解像化手法について検討する。 本稿では,空間情報とハイパースペクトルデータのスペクトル間の相関をフル活用するための空間スペクトル先行ネットワーク(SSPN)を提案する。 実験結果から,SSPSR法により高分解能高分解能高分解能画像の詳細が得られた。
  論文  参考訳（メタデータ） (2020-05-18T14:25:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。